Bioacústica aplicada a abelhas sem ferrão: comportamento e padrões sonoros em colmeias

Abstract

A bioacústica de abelhas sem ferrão (Meliponini) é uma área ainda pouco explorada, mas com grande potencial para ampliar a compreensão dos comportamentos e das condições das colmeias. Estudos já demonstraram o uso de sinais vibroacústicos por espécies desse grupo em contextos como defesa do ninho, recrutamento de operárias e polinização. Contudo, outras aplicações da bioacústica amplamente empregadas em Apis mellifera, como a detecção de ausência de rainhas ou presença de patógenos, ainda não foram exploradas em abelhas sem ferrão. Com o avanço da apicultura de precisão, o uso de métodos de aprendizado de máquina para analisar áudios coletados nas colmeias vem se consolidando como uma ferramenta eficaz para acessar as condições das colônias, sobretudo em um momento crítico de declínio das populações de abelhas em todo o mundo. Entre os fatores que impulsionam esse declínio, destaca-se o uso intensivo de agrotóxicos, aos quais as abelhas sem ferrão são particularmente sensíveis. Neste contexto, esta dissertação teve como objetivo revisar a literatura sobre os comportamentos vibroacústicos de abelhas sem ferrão, além de investigar os padrões sonorosemitidos por colmeias da espécie Tetragonisca fiebrigi. Para isso, colmeias foram expostas ao inseticida clorpirifós, amplamente utilizado na agricultura, e suas reações acústicas foram analisadas por meio de Modelos Ocultos de Markov (HMM). Na revisão bibliográfica, observamos que foi descrita a utilização de sinais vibratórios em diferentes contextos para abelhas sem ferrão, que variam entre espécies. A informação passada por sinais vibracionais depende do contexto, oferecendo pistas relacionadas ao ambiente e interações sociais das abelhas. Apesar da importância desses comportamentos vibracionais, ainda há muito a ser pesquisado para explorar seus aspectos físicos e empregar técnicas avançadas de análise de dados, existindo significativas lacunas de conhecimento neste campo. Durante o experimento realizado, os HMM demonstraram eficiência na classificação de períodos de exposição ao inseticida, apresentando melhor desempenho quando os modelos foram treinados com dados de colmeias individuais em vez de um conjunto combinado de todas as colmeias. Além disso, as análises indicaram que o modelo foi capaz de identificar, com sucesso, de qual colmeia os sons eram provenientes, destacando a existência de assinaturas acústicas específicas para cada ninho. Esses achados reforçam o potencial da bioacústica como ferramenta para o monitoramento e manejo das abelhas sem ferrão.

The bioacoustics of stingless bees is still a relatively unexplored field but holds significant potential for enhancing our understanding of hive behaviors and conditions. Studies have already demonstratedthe use of vibroacoustic signals by species in this group in contexts such as nest defense, worker recruitment, and pollination. However, other bioacoustic applications widely used in Apis mellifera, such as detecting queen absence or pathogen presence, have not yet been explored in stingless bees. With advancements in precision apiculture, machine learning methods for analyzing audio recordings collected from hives are becoming an effective tool for assessing colony conditions, especially during the global decline in bee populations. Among the factors contributing to this decline is the intensive use of pesticides, to which stingless bees are particularly sensitive. In this context, this dissertation aimed to review the literature on vibroacoustic behaviors of stingless bees and investigate the sound patterns emitted by hives of Tetragonisca fiebrigi. For this purpose, hives were exposed to chlorpyrifos, a widely used agricultural insecticide, and their acoustic responses were analyzed using Hidden Markov Models (HMM). The literature review highlighted the use of vibratory signals by stingless bees in different contexts, which vary across species. The information transmitted through vibrational signals depends on the context, providing cues related to the environment and social interactions of the bees. Despite the importance of these vibrational behaviors, much remains to be researched in order to explore their physical aspects and employ advanced data analysis techniques, with significant knowledge gaps remaining in this field. During the experiment, HMMs proved efficient in classifying periods of pesticide exposure, achieving better performance when trained with data from individual hives. Additionally, the analyses revealed that the model successfully identified the hive of origin for the sounds, emphasizing the existence of specific acoustic signatures for each nest. These findings underscore the potential of bioacoustics as a tool for the monitoring and management of stingless bees.